ИИ-озвучка вступает в «эру исполнения»: Alibaba Qwen-Audio-3.0-TTS возглавил мировой рейтинг

Компания Alibaba выпустила обновлённую версию своей речевой модели Qwen-Audio-3.0-TTS, которая возглавила мировой рейтинг TTS Arena. Модель позволяет точно управлять интонацией, паузами, темпом и ударениями с помощью специальных меток в тексте. Она поддерживает 20 китайских диалектов (включая гуандунский, шанхайский и сычуаньский) и может подражать голосу диктора, сохраняя при этом естественность. В основе лежит архитектура «производитель-критик» (actor-critic), где одна нейросеть генерирует речь, а другая оценивает её натуральность и на основе этой оценки дообучает первую. Для достижения высокой выразительности используются мелкозернистые акустические маркеры (эмоции, тон, темп), а также инструменты паузы (тишина 20–500 мс). Качество синтеза оценивается как «актёрская игра», а не просто чтение текста. Больше технических деталей не раскрыто.